/ Wissenshub /

Warum nutzen die meisten Unternehmen ihr Wissen nicht?

Business 17/09/2026

Paradoxerweise gilt: Je mehr Werkzeuge zur Arbeitsverbesserung wir in den Alltag holen, desto chaotischer wird das Handeln im Unternehmen.

Das CRM sammelt Kundenkontakte. Das ERP erfasst Transaktionen und Kosten. Jira weiß, wie viele Aufgaben das Team erledigt hat. Google Drive platzt aus allen Nähten, E-Mails prasseln lawinenartig auf uns ein, und jede Besprechung bringt ein Protokoll oder eine automatische Transkription mit sich. Wir leiden unter Datenüberflutung. Und wir schaffen es nicht, diese Daten richtig zu nutzen.

Immer häufiger beeinflussen die gesammelten Daten überhaupt keine besseren Entscheidungen. Informationen liegen verstreut, werden ohne klares Ziel erhoben oder in Berichte gegossen, die zu nichts führen. KI in einen chaotischen Prozess einzuführen, nützt wenig und kann sogar schaden, weil noch mehr Chaos entsteht.

Warum sammeln wir eigentlich Daten?

„Wenn ich in einem Unternehmen eine neue Kennzahl sehe, lautet meine erste Frage: ‚Welche Entscheidungen treffen Sie auf ihrer Grundlage?’ Lautet die Antwort ‚keine’, frage ich: ‚Warum erheben Sie sie dann?’“, sagt Paweł Feliński, Head of Delivery bei Primotly und früher Unternehmensberater. „In der Sprache des Lean Management ist eine Kennzahl, die keine Handlung beeinflusst, Verschwendung.“

Manche Unternehmen nutzen ihre Daten nicht, andere nutzen sie falsch. Mittelwert und Median können zu unterschiedlichen Schlüssen führen. Ein Rückgang des Website-Verkehrs zeigt eine Veränderung, sagt aber nicht, ob man das Werbebudget erhöhen, die Suchmaschinenoptimierung verbessern, die Inhalte ändern oder die Saisonalität berücksichtigen sollte. Es ist leicht, eine einzelne Kennzahl mit einem Beweis zu verwechseln. Zahlen können auch den Kontext nicht ersetzen, der in keinem System gespeichert ist.

Es blieb nicht bei einem Bericht. Das Unternehmen überprüfte seine Kunden und ordnete sie neu, beschloss, eine Zusammenarbeit auslaufen zu lassen, und verhandelte in anderen die Sätze nach. Die Rentabilitätsanalyse wurde zum festen Bestandteil der Steuerung – auf Ebene der Menschen, der Projekte und der Kunden. Die Daten gewannen ihren Wert, als sie Entscheidungen veränderten.

Erst der Prozess, dann die KI

Kunden sagen selten: „Unsere Daten sind geordnet, und wir wissen, was wir damit vorhaben.“ Häufiger heißt es: „Wir wollen KI“ oder „Wir haben keine Daten.“ Erst eine Bestandsaufnahme zeigt, dass die Systeme längst etwas erfassen, die Informationen aber verstreut liegen oder niemand weiß, wozu sie dienen.

Die erste Frage sollte also nicht dem Modell gelten. Sie sollte lauten: wozu? Was will das Unternehmen herausfinden, und welche Entscheidung will es mit diesem Wissen treffen? Erst danach lässt sich prüfen, ob die passenden Daten existieren, ob sie verlässlich sind und ob es für die Lösung überhaupt KI braucht. Manchmal genügt ein klassischer Algorithmus, eine einfache Automatisierung oder eine Prozessverbesserung.

„Ich würde einem Modell keinen Zugriff auf einen beliebigen Satz Unternehmensdaten geben mit der Anweisung: ‚Mach was damit und zieh Schlüsse’“, sagt Paweł. Zuerst müsse festgelegt werden, welche Informationen wir sammeln, wo sie liegen, wie oft sie aktualisiert werden, wer sie ansieht und wofür diese Person verantwortlich ist. Nur ein funktionierender Prozess lässt sich sinnvoll automatisieren.

KI kann Daten aus Dutzenden Werkzeugen ziehen, ordnen, nach Zusammenhängen suchen und Deutungen vorschlagen. Sie bleibt eine Informationsquelle, keine Entscheiderin. Wie bei der Wettervorhersage: Modelle verarbeiten Daten, das Ergebnis deutet eine Meteorologin, die ihre Grenzen kennt.

Ein Monitor mit mehreren gleichzeitig geöffneten Berichten und Statistiken – die Daten sind über viele Anwendungen verstreut.

KI genau dort, wo sie gebraucht wird

Dieses Vorgehen zeigt sich in der Primotly-Anwendung zur Kontrolle technischer Installationen. Auftragnehmer dokumentieren ihre Arbeit mit Fotos von Geräten und Anschlüssen. Auf Kundenseite musste jemand Tausende Fotos von Hand prüfen: Ist das richtige Element darauf zu sehen, sind die Leitungen korrekt verbunden, entspricht die Installation den Anforderungen?

Primotly baute ein Computer-Vision-System, also eine Lösung, die Bildinhalte analysiert. Es entstand kein einziges gewaltiges Modell, das alles erkennen soll. Stattdessen wurde ein Satz spezialisierter Modelle entwickelt, ergänzt um eine schnelle Routing-Schicht, die ein Foto nur an die nötigen Module weiterleitet. Ist bekannt, dass auf der Baustelle drei von zwanzig Gerätetypen verbaut wurden, startet das System die übrigen siebzehn Analysen gar nicht erst.

Die Verbindung von maschinellem Lernen mit einfachen, deterministischen Regeln verkürzte die Vorbereitung der Lösung, beschleunigte ihren Betrieb und senkte die Kosten des Kunden. Technologische Reife heißt nicht, KI überall einzusetzen, sondern sie auf den Teil des Problems zuzuschneiden, in dem sie einen Vorteil bringt.

Zuvor braucht es Forschungs- und Entwicklungsarbeit. Das Modell lernt an Fotos, und die können scharf oder verwackelt sein, bei unterschiedlichem Licht und aus unterschiedlichen Blickwinkeln entstanden. Für ein Objekt hat der Kunde Tausende Beispiele, für ein anderes nur eine Handvoll. Der Datensatz muss bewertet, bereinigt und mitunter erweitert oder synthetisch ergänzt werden. Die Forschung muss früh beantworten, ob die erwartete Qualität erreichbar ist und was nötig ist, damit das Produkt über eine Vorführung hinaus funktioniert.

Verhalten ist manchmal wertvoller als Aussagen

Ein weiterer Schwerpunkt von Primotly sind Lösungen für die Marktforschungsbranche. Eines der Produkte, angebunden an das Befragungssystem des Kunden, erlaubte es, verschiedene Varianten eines Onlineshops zu testen. Neben den Antworten erfasste es das Verhalten der Befragten: welches Produkt sie gesehen haben, wie oft sie dorthin zurückkehrten, ob sie die Beschreibung lasen und wann sie den Artikel in den Warenkorb legten.

„Wenn wir jemanden fragen, was er in einer bestimmten Situation täte, erhalten wir eine Aussage. Wenn wir das tatsächliche Handeln beobachten, erhalten wir eine andere Art von Daten“, sagt Maciek Kemnitz, CEO von Primotly. „Verhalten lässt sich schwerer vortäuschen. Es hilft auch, Verkehr herauszufiltern, der kein echtes Nutzerinteresse abbildet.“

Fragen in einer Befragung verlieren damit nicht ihren Sinn. Doch die Verbindung von Aussagen und Verhalten ergibt ein vollständigeres Bild und eine bessere Grundlage für Entscheidungen über die Produktdarstellung oder die Weiterentwicklung eines Dienstes.

Das Unternehmen hat Informationen, aber kein gemeinsames Gedächtnis

Ein ähnliches Problem erkannte Primotly bei sich selbst. Das Unternehmen nutzte E-Mail, eine Ablage, einen Messenger, ein CRM sowie Systeme für Rechnungsstellung und Aufgaben. Jedes Werkzeug enthielt ein Stück Wissen. Viele Absprachen blieben in Gesprächen und Besprechungen, an denen nicht alle Beteiligten teilnahmen.

Die Antwort war ein intern entwickeltes Produkt auf Basis generativer KI, jedoch unabhängig von einem einzelnen Modellanbieter. Es führt Informationen aus verschiedenen Quellen zusammen, darunter Transkripte von Besprechungen, und gibt sie entsprechend den Berechtigungen weiter. Ein gemeinsames Unternehmensgedächtnis darf schließlich nicht bedeuten, dass jede Mitarbeiterin alles sieht.

Der angesammelte Kontext erlaubt es auch, das Modell nach Projektrisiken, den nächsten Schritten der Kundenbetreuung oder nach Chancen im gesamten Projektportfolio zu fragen. Das Ergebnis ist keine Entscheidung. Es ist eine zusätzliche Stimme, die einen Menschen auf einen übersehenen Zusammenhang aufmerksam machen kann.

Das Werkzeug übernimmt keine Verantwortung

Automatisierung hat weniger offensichtliche Folgen. Bei Primotly hörten manche auf, in Besprechungen mitzuschreiben, und verließen sich auf die Transkripte. Das erlaubt es, sich auf das Gegenüber zu konzentrieren, birgt aber ein Risiko. In einer zweistündigen Besprechung fiel das Werkzeug aus. Auf beiden Seiten machte fast niemand Notizen. Die Absprachen ließen sich nur teilweise rekonstruieren, weil zwei Personen weiterhin eigene Aufzeichnungen führten.

Maciek verweist auf die begrenzte Kontextkapazität. In einer langen Aufgabe kann das Modell das ursprüngliche Ziel aus den Augen verlieren oder wichtige Informationen überspringen. Eine ungenaue Anweisung kann zu einer überzeugenden, aber falschen Antwort führen. KI-Werkzeuge sind deshalb keine fertigen Geschäftsprodukte. Man muss Quellen, Regeln, Qualitätskontrolle, Berechtigungen und den Platz des Menschen im Prozess entwerfen.

Ein Produkt beginnt mit einem Problem, nicht mit einer Funktionsliste

Der Kunde muss die Technologie nicht kennen. Genau deshalb sucht er einen Technologiepartner. Doch jemand muss das Produkt bewusst führen – die Nutzerinnen verstehen, den Wert der Lösung, das Erlebnis bei der Nutzung und die Richtung der Weiterentwicklung. Diese Kompetenzen können beim Kunden liegen oder bei Primotly.

Ein Problem entsteht, wenn ein Unternehmen nicht über Ziel und Nutzerinnen sprechen will, sondern eine geschlossene Funktionsliste übergibt. Manchmal steht ein reifes Produktteam dahinter. Häufiger ist es nur ein Bündel ungeprüfter Annahmen. Deshalb ist Product Discovery wichtig: ein gemeinsames Verständnis des Problems, bevor teure Entwicklung beginnt.

Das unterscheidet die Produktentwicklung von der Bereitstellung zusätzlicher Entwicklerinnen. Body Leasing passt, wenn der Kunde einen eigenen Prozess hat, ihm aber Kompetenzen oder Personal fehlen. Braucht er die Lösung eines Problems und Verantwortung für das Ergebnis, ist die maßgeschneiderte Produktentwicklung angemessener. Dann wird der Erfolg des Produkts zur gemeinsamen Sache von Kunde und Technologiepartner.

Von der Information zur Entscheidung

Die Menge an Informationen in Unternehmen übersteigt die Möglichkeiten eines Menschen, eines Teams und oft einer ganzen Abteilung. Man kann darauf mit weiteren Dashboards antworten. Oder man baut Systeme, die Daten ordnen, Kontext bewahren und den Entscheidenden die richtige Information liefern.

Nicht jedes Unternehmen braucht KI in jedem Prozess. Jedes Unternehmen sollte wissen, welche Entscheidungen es besser und schneller treffen will. Mit dieser Frage lohnt es sich, das Gespräch über Daten, Technologie und Produkt zu beginnen. Am Ende sollen schließlich nicht mehr Berichte oder bloß eine KI-Einführung stehen, sondern besser fundierte Entscheidungen – die weiterhin Menschen treffen.

FAQ

Warum gewinnen die meisten Unternehmen keinen handlungsfähigen Wert aus ihren Daten?

Unternehmen leiden häufig unter Datenüberflutung, weil nicht verbundene Werkzeuge – CRM, ERP, Jira, Cloud-Ablagen – Informationen ohne klares operatives Ziel sammeln.

  • Fehlende Handlungsfähigkeit: Kennzahlen zu verfolgen, die keine konkreten Entscheidungen auslösen, ist im Sinne des Lean Management Verschwendung.
  • Fehlender Kontext: Rohe Kennzahlen zeigen, was sich verändert hat, etwa ein Rückgang des Website-Verkehrs, erklären aber ohne qualitativen Kontext weder das Warum noch die richtige Handlung.
  • Abgeschottete Systeme: Nicht integrierte Daten verstellen den Blick auf grundlegende Kennzahlen, etwa die tatsächliche Rentabilität einzelner Projekte.

Warum muss der Prozess vor der KI kommen?

KI in einen ungeordneten Arbeitsablauf einzuführen, verstärkt das Chaos, statt es zu lösen.

  • Governance zuerst: Bevor Modelle trainiert oder abgefragt werden, müssen Organisationen festlegen, wo Daten liegen, wie oft sie aktualisiert werden, wer Zugriff hat und wer verantwortlich ist.
  • Alternative Lösungen: Deterministische Algorithmen, einfache Automatisierung oder eine Neugestaltung manueller Abläufe sind oft kostengünstiger als Modelle des maschinellen Lernens.
  • Werkzeug statt Entscheider: KI verdichtet Kontext und zeigt Zusammenhänge auf, doch menschliche Aufsicht bleibt für die letzten strategischen Entscheidungen unverzichtbar.

Wie strukturiert Primotly KI-Modelle, um die Einführungskosten der Kunden zu senken?

Primotly vermeidet monolithische KI-Modelle und setzt auf spezialisierte Computer-Vision-Systeme mit intelligenten Routing-Schichten.

  • Gezielte Verarbeitung: Die Architektur leitet Eingaben, etwa Fotos von Baustelleninspektionen, strikt an die relevanten Analysemodule und verringert so unnötige Rechenlast.
  • Hybride Logik: Die Verbindung von maschinellem Lernen mit einfachen deterministischen Regeln beschleunigt die Ausführung und senkt die Infrastrukturkosten.
  • Frühe Forschung: Datensätze werden früh in der Entwicklung bewertet, bereinigt und synthetisch ergänzt, damit die Leistung auch unter unvorhersehbaren realen Bedingungen stimmt.

Welchen Vorteil bietet die Beobachtung des Nutzerverhaltens gegenüber Befragungsdaten?

  • Deklarative Daten (Befragungen): erfassen, was Nutzerinnen zu tun behaupten – häufig verzerrt oder ungenau.
  • Verhaltensdaten (beobachtete Handlungen): halten die tatsächlichen Interaktionen fest, etwa Navigationspfade, Änderungen am Warenkorb und Verweildauer, und liefern ein klareres Signal der Absicht, während unaufrichtige Aktivität herausfällt.

Wie bündelt generative KI das Wissen über zersplitterte Anwendungen hinweg?

Eigene GenAI-Schichten führen getrennte Kommunikationskanäle – E-Mail, CRM, Aufgabenboards, Besprechungstranskripte – zu einer berechtigungsbewussten Wissensbasis zusammen.

  • Einheitlicher Kontext: Automatische Zusammenfassungen und Aufgabenlisten erlauben es dem Team, Entscheidungen nachzuvollziehen, ohne Rohaufzeichnungen durchzuhören.
  • Blick aufs Portfolio: Die Abfrage des angesammelten Kontexts hilft Führungskräften, projektübergreifende Risiken und verpasste Chancen zu erkennen.
  • Verantwortung beim Menschen: Weil Modelle unter begrenzten Kontextfenstern leiden und kein Urteilsvermögen über die reale Welt haben, bleibt die Verantwortung für Entscheidungen strikt bei den Menschen.

Worin unterscheiden sich eigene Entwicklung und Body Leasing?

  • Maßgeschneiderte Produktentwicklung: greift das eigentliche geschäftliche Problem an – mit Product Discovery, geteiltem Risiko und durchgängiger Verantwortung für den Erfolg der Lösung.
  • Body Leasing (Teamerweiterung): stellt zusätzliche Entwicklungskapazität bereit, um eine feste Liste technischer Vorgaben innerhalb eines bestehenden Prozesses des Kunden umzusetzen.